通过知识追踪的能力和熟练程度建模来理清知识状态

arXiv:2607.13103v1 公告类型：新 摘要：知识追踪（KT）旨在通过对历史交互中不断变化的知识状态进行建模来预测学生的未来表现。现有的 KT 方法通常将原始交互序列视为一个统一的行为过程，忽略了学习行为的阶段特定性。我们的初步观察表明，经过充分的练习，学生更有可能正确回答以前失败的知识概念，这表明学生从能力培养向熟练学习转变。受此启发，我们提出了阶段感知知识追踪（PAKT），这是一个基于定制的分解机制将学生交互分解为能力和熟练程度阶段的 KT 框架。为了有效地利用分解的序列，我们设计了一个带有类型感知读出模块的多分支 Transformer，以共同捕获特定阶段和整体知识状态。我们进一步提供了因果分析，以揭示阶段不可知 KT 模型中复杂的学习行为所引起的混杂偏差。对六个公共基准的广泛实验表明，我们的方法始终优于代表性基线，最大 AUC 增益为 1.33%，平均增益为 0.82%。